أحد التحديات الرئيسية في تنفيذ مشروع التعلم الآلي (ML) هو التنوع والعدد الكبير من أدوات التطوير والأدوات المستخدمة. يتضمن ذلك التعليمات البرمجية في دفاتر الملاحظات، والوحدات النمطية لمعالجة البيانات وتحويلها، وتكوين البيئة، وخط أنابيب الاستدلال، ورمز التنسيق. في أحمال عمل الإنتاج، لا يمثل نموذج ML الذي تم إنشاؤه ضمن إطار التطوير الخاص بك نهاية العمل أبدًا، ولكنه جزء من تطبيق أو سير عمل أكبر.
التحدي الآخر هو الطبيعة المتنوعة لأنشطة تطوير تعلم الآلة التي تؤديها أدوار مستخدمين مختلفة. على سبيل المثال، يقوم مهندس DevOps بتطوير مكونات البنية التحتية، مثل أتمتة CI/CD، وإنشاء خطوط أنابيب استدلال الإنتاج، وتكوين الأمان والشبكات. يركز مهندس البيانات عادةً على معالجة البيانات وسير عمل التحويل. يقدم عالم البيانات أو مهندس تعلم الآلة نماذج تعلم الآلة وبناء النماذج والتدريب وخطوط التحقق من الصحة.
تتطلب هذه التحديات بنية وإطارًا يسهلان فصل الاهتمامات من خلال السماح لكل دور تطويري بالعمل على الجزء الخاص به من النظام، وإخفاء تعقيد التكامل والأمن وتكوين البيئة.
يوضح هذا المنشور كيفية تقديم بنية معيارية قائمة على المكونات في تطبيق ML الخاص بك عن طريق تنفيذ مكونات قابلة لإعادة الاستخدام ومكتفية ذاتيًا ومتسقة مع الأمازون SageMaker.
حل نظرة عامة
كمثال على سير عمل تعلم الآلة الذي يمتد إلى العديد من مجالات التطوير، ينفذ الحل المقترح حالة استخدام لخط أنابيب آلي لتحويل البيانات، واستخراج الميزات، واستيعابها متجر ميزات Amazon SageMaker.
على مستوى عالٍ، يشتمل سير العمل على الخطوات الوظيفية التالية:
- يقوم مكون استيعاب البيانات الأولية بتحميل كائنات البيانات إلى خدمة تخزين أمازون البسيطة دلو (أمازون S3).
- يُطلق حدث تحميل البيانات عملية معالجة البيانات وتحويلها.
- تقوم عملية تحويل البيانات باستخراج الميزات ومعالجتها وتحويلها واستيعابها في ملف معين مجموعة مميزة في متجر الميزات.
مصطلحات
يقدم هذا القسم المفاهيم والتعاريف الهامة التالية.
مكون مل
An مكون مل هي وحدة بناء تحتوي على جميع الموارد والتكوينات وسير العمل المطلوبة لتنفيذ مهمة ML محددة. على سبيل المثال، يمكن تسليم مسار تحويل البيانات والاستيعاب المقترح كمكون لتعلم الآلة. تتمتع مكونات تعلم الآلة بقدرة تكامل أفضل لمساعدتك على تنفيذ تطبيقات تعلم الآلة القابلة للتكرار والمحكومة والآمنة. يمكن لمكون تعلم الآلة تغليف جميع التعليمات البرمجية المعيارية المطلوبة لإعداد أذونات الوصول إلى البيانات ومفاتيح الأمان ووضع العلامات والتسمية ومتطلبات التسجيل لجميع الموارد بشكل صحيح.
تفترض عملية تنفيذ مكون تعلم الآلة أن فريق DevOps أو MLOps المخصص يقوم بتصميم المكونات وإنشائها واختبارها وتوزيعها. المتلقون لمكونات تعلم الآلة هم علماء البيانات، ومهندسو البيانات، ومهندسو تعلم الآلة.
يؤدي هذا الفصل بين مسؤوليات التطوير إلى زيادة سرعة الحركة، ووقت أسرع للوصول إلى السوق، وتقليل العمل اليدوي الثقيل، ويؤدي إلى جودة أعلى واتساق في سير عمل ML لديك.
مشروع أمازون سيج ميكر
يسهل SageMaker تطوير وتوزيع مكونات تعلم الآلة مشاريع SageMaker.
صانع حكيم تنفيذ المشاريع عبارة عن مجموعة مكتفية ذاتيًا من الموارد، والتي يمكن إنشاء مثيل لها واستخدامها من قبل المستخدمين المؤهلين. يحتوي المشروع على جميع الموارد والعناصر والكود المصدر والتنسيق والأذونات اللازمة لتنفيذ مهمة ML أو سير عمل معين. على سبيل المثال، يوفر SageMaker قوالب مشروع MLOps لأتمتة إعداد وتنفيذ MLOps لتطبيقاتك.
يمكنك تنفيذ ملف قالب مشروع SageMaker مخصص لتقديم سير عمل ML مُعبأ، والذي يمكن توزيعه وتوفيره عبر أمازون ساجميكر ستوديو IDE
عند تنفيذ مكونات مخصصة قابلة لإعادة الاستخدام مع مشاريع SageMaker، يمكنك فصل عملية التطوير والاختبار والتوزيع لمكونات تعلم الآلة عن توظيفها، واتباع أفضل ممارسات MLOps.
محفظة المنتج
يعمل المشروع مع خدمتين أخريين من خدمات AWS، كتالوج خدمة AWS و تكوين سحابة AWS، لتوفير تكامل شامل وسهل الاستخدام في بيئة SageMaker والاستوديو. يمكنك الجمع بين مشاريع متعددة في ملف واحد محفظة. يسمى مشروع SageMaker المنتج في نطاق المحفظة. يتم تسليم مجموعة المنتجات عبر كتالوج خدمة AWS إلى الاستوديو. يمكنك التحكم في من يمكنه عرض منتجات معينة وتوفيرها عن طريق ربط أدوار المستخدم بمحفظة محددة.
هندسة الحل
يتم عرض بنية المكونات التفصيلية للحل في الرسم البياني التالي.
تحدد مجموعة المنتجات (1) منتج استيعاب بيانات متجر الميزات التلقائي (2) جنبًا إلى جنب مع أدوار المستخدم المرتبطة المسموح لها باستخدام المحفظة والمنتجات التي تحتوي عليها. تحدد قوالب CloudFormation كلا من مجموعة المنتجات (1) والمنتج (2). يحتوي قالب CloudFormation (3) على جميع الموارد والتعليمات البرمجية المصدر والتكوين والأذونات اللازمة لتوفير المنتج في بيئة SageMaker الخاصة بك.
عندما تقوم AWS CloudFormation بنشر المنتج، فإنها تقوم بإنشاء مشروع SageMaker جديد (4).
ينفذ مشروع SageMaker سير عمل استيعاب الميزات (5). يحتوي سير العمل على AWS لامدا الوظيفة، التي يتم إطلاقها بواسطة أمازون إيفينت بريدج القاعدة في كل مرة يتم فيها تحميل كائنات جديدة في حاوية S3 المراقبة. تبدأ وظيفة Lambda أ خط أنابيب SageMaker (6)، والذي تم تعريفه وتوفيره كجزء من مشروع SageMaker. ينفذ المسار تحويل البيانات واستيعابها في متجر الميزات.
يوفر المشروع أيضًا أتمتة CI/CD (7) مع كود AWS مستودع مع كود المصدر, AWS كود البناء مع البرنامج النصي لبناء خط الأنابيب، و خط أنابيب AWS لتنسيق إنشاء ونشر خط أنابيب SageMaker (6).
خط أنابيب ML
ينفذ هذا الحل خط أنابيب ML باستخدام خطوط أنابيب Amazon SageMaker، إطار إنشاء وتنسيق سير عمل ML. يحتوي خط الأنابيب على خطوة واحدة مع أمازون سيج ميكر داتا رانجلر معالج لتحويل البيانات واستيعابها في مجموعة ميزات في متجر الميزات. يوضح الرسم البياني التالي مسار معالجة البيانات الذي ينفذه هذا الحل.
الرجوع إلى قم ببناء وضبط ونشر نموذج التنبؤ بالتضخم الشامل باستخدام Amazon SageMaker Pipelines للحصول على مثال حول كيفية إنشاء مسار SageMaker واستخدامه.
يرشدك باقي هذا المنشور خلال تنفيذ مشروع SageMaker المخصص. نناقش كيفية القيام بما يلي:
- إنشاء مشروع مع الموارد الخاصة بك
- فهم دورة حياة المشروع
- عرض موارد المشروع
- قم بإنشاء مجال استوديو ونشر مجموعة المنتجات
- العمل مع المشروع وتشغيل مسار تحويل البيانات واستيعابها
• مستودع جيثب يوفر كود المصدر الكامل للحل الشامل. يمكنك استخدام هذا الرمز كنقطة بداية لمكونات ML المخصصة الخاصة بك للنشر باستخدام نفس البنية المرجعية.
قم بتأليف قالب مشروع SageMaker
للبدء في مشروع SageMaker مخصص، تحتاج إلى الموارد والعناصر والعناصر التالية إدارة الهوية والوصول AWS أدوار وأذونات (IAM):
- قالب CloudFormation الذي يحدد كتالوج خدمة AWS محفظة.
- قالب CloudFormation الذي يحدد مشروع SageMaker.
- أدوار وأذونات IAM اللازمة لتشغيل مكونات مشروعك وتنفيذ مهام المشروع وسير العمل.
- إذا كان مشروعك يحتوي على أي كود مصدر تم تسليمه كجزء من المشروع، فيجب تسليم هذا الكود أيضًا. يشير الحل إلى كود المصدر هذا باسم كود البذور.
الملفات في هذا الحل
يحتوي هذا الحل على كافة التعليمات البرمجية المصدر اللازمة لإنشاء مشروع SageMaker المخصص الخاص بك. هيكل مستودع الكود هو كما يلي:
- مجلد قوالب CFN: يحتوي هذا المجلد على ما يلي:
- project-s3-fs-ingestion.yaml – قالب CloudFormation مع مشروع SageMaker
- sm-project-sc-portfolio.yaml – قالب CloudFormation مع مجموعة المنتجات والسياسات المُدارة مع الأذونات اللازمة لنشر المنتج
- مجلد رمز مشروع البذور/s3-fs-ابتلاع - يحتوي على التعليمات البرمجية الأولية للمشروع، بما في ذلك التعليمات البرمجية لتعريف خط أنابيب SageMaker، وإنشاء البرامج النصية لمشروع CI/CD CodeBuild، والتعليمة البرمجية المصدر لوظيفة Lambda
- مجلد الدفاتر – يحتوي على دفاتر ملاحظات SageMaker لتجربة المشروع
تصف الأقسام التالية كل جزء من عملية تأليف المشروع وتعطي أمثلة على الكود المصدري.
محفظة كتالوج خدمة AWS
يتم تسليم مجموعة كتالوج خدمة AWS كقالب CloudFormation، والذي يحدد الموارد التالية:
- تعريف المحفظة.
- التعريف بالمنتج.
- ارتباط المنتج بالمحفظة لكل منتج.
- المحفظة ل مبدأ IAM منظمة. يحدد هذا مبادئ IAM المسموح لها بنشر منتجات المحفظة.
- قيد دور إطلاق المنتج. يحدد هذا دور IAM الذي تفترضه AWS CloudFormation عندما يقوم المستخدم بتوفير القالب.
لإتاحة قالب مشروعك في الاستوديو، يجب عليك إضافة العلامة التالية إلى المنتج:
الرجوع إلى إنشاء قوالب المشروع المخصصة لمزيد من التفاصيل حول قوالب المشاريع المخصصة.
يحتوي هذا الحل على مثال لمحفظة كتالوج خدمة AWS التي تحتوي على منتج واحد.
قالب تشكيل سحابة المنتج
يحدد قالب CloudFormation المنتج. قالب المنتج مكتفي ذاتيًا ويحتوي على كافة الموارد والأذونات والعناصر اللازمة لتقديم وظائف المنتج.
لكي يعمل المنتج مع مشاريع SageMaker، يجب عليك إضافة المعلمات التالية إلى قالب المنتج الخاص بك:
يحتوي هذا الحل على قالب المنتج الذي يخلق العديد من الموارد.
بالنسبة إلى مسار تحويل البيانات واستيعابها، ينشئ القالب ما يلي:
- كود مصدر تعريف خط أنابيب SageMaker.
- وظيفة Lambda لبدء مسار SageMaker عند تحميل كائن جديد إلى حاوية S3 المراقبة.
- دور تنفيذ IAM لوظيفة Lambda.
- دلو S3 للحفاظ على أوس كلاود تريل سجل. أنت بحاجة إلى سجل CloudTrail لتمكين إشعار EventBridge لأحداث وضع الكائن في المجموعة المراقبة. يمكنك استخدام الإشعارات المستندة إلى CloudTrail بدلاً من إشعارات Amazon S3 لأنه لا يجوز لك استبدال إشعار Amazon S3 الموجود في الحاوية المراقبة.
- تم تكوين سجل CloudTrail لالتقاطه
WriteOnly
الأحداث على كائنات S3 ضمن بادئة S3 محددة. - قاعدة EventBridge لتشغيل وظيفة Lambda كلما تم تحميل كائن جديد إلى حاوية S3 المراقبة. يراقب نمط قاعدة EventBridge الأحداث
PutObject
وCompleteMultipartUpload
.
بالنسبة لأتمتة CI/CD، يقوم القالب بإنشاء ما يلي:
- حاوية S3 لتخزين عناصر CodePipeline
- مستودع CodeCommit مع تعريف خط أنابيب SageMaker
- قاعدة EventBridge لتشغيل CodePipeline عند تحديث مستودع CodeCommit
- مشروع CodeBuild لبناء خط أنابيب SageMaker
- مسار CodePipeline لتنسيق إنشاء مسار SageMaker
أدوار وأذونات IAM
لبدء تشغيل مشروع SageMaker واستخدامه، تحتاج إلى دورين من IAM:
- دور IAM لإطلاق منتج من كتالوج خدمة AWS - يتم افتراض هذه القاعدة بواسطة AWS Service Catalog وتحتوي على الإذن المطلوب تحديدًا لنشر الموارد باستخدام قوالب CloudFormation. يسمح النهج القائم على كتالوج خدمة AWS لعلماء البيانات ومهندسي تعلم الآلة بتوفير مكونات تعلم الآلة المخصصة وسير العمل مركزيًا دون مطالبة كل مستخدم تعلم الآلة بالحصول على سياسات أذونات رفيعة المستوى أو المرور عبر عملية نشر فردية يدوية وغير قابلة للتكرار.
- دور IAM لاستخدام الموارد التي تم إنشاؤها بواسطة مشروع SageMaker - تتضمن هذه الموارد مسار CodePipeline، ومسار SageMaker، وقاعدة EventBridge. يحدد قالب CloudFormation الخاص بالمشروع بوضوح المورد الذي يستخدم الدور.
عند تمكين مشاريع SageMaker لمستخدمي Studio، تقوم عملية التوفير بإنشاء دوري IAM في حساب AWS الخاص بك: AmazonSageMakerServiceCatalogProductsLaunchRole
و AmazonSageMakerServiceCatalogProductsUseRole
. قوالب المشروع المقدمة من SageMaker استخدم هذه الأدوار لنشر الموارد التي تم إنشاؤها وتشغيلها. يمكنك استخدام هذه الأدوار لمشاريع SageMaker المخصصة الخاصة بك، أو يمكنك إنشاء أدوارك الخاصة مع مجموعة محددة من أذونات IAM التي تناسب متطلباتك. تأكد من منح هذه الأدوار جميع الأذونات اللازمة، وتحديدًا الوصول إلى حاوية S3، لأداء مهامها.
الرجوع إلى سياسات AWS المُدارة لمشاريع SageMaker و JumpStart لمزيد من التفاصيل حول الأدوار الافتراضية.
إذا قمت بإنشاء وتعيين أي أدوار IAM للموارد التي تم إنشاؤها بواسطة توفير المشروع عبر AWS Service Catalog وAWS CloudFormation، فإن الدور AmazonSageMakerServiceCatalogProductsLaunchRole
يجب أن يكون iam:PassRole
إذن للدور الذي تقوم بتمريره إلى أحد الموارد. على سبيل المثال، يقوم هذا الحل بإنشاء دور تنفيذ IAM لوظيفة Lambda. السياسة المدارة ل AmazonSageMakerServiceCatalogProductsLaunchRole
يحتوي على بيان الإذن المقابل:
يوضح الرسم التخطيطي التالي كافة أدوار IAM المعنية وأي خدمة أو مورد يتولى أي دور.
تحتوي العمارة على المكونات التالية:
- إطلاق دور منتجات كتالوج خدمة SageMaker. هذا الدور يدعو
iam:PassRole
تستخدم واجهة برمجة التطبيقات (API) لمنتجات كتالوج خدمة SageMaker الدور (2) ودور تنفيذ Lambda (4). - تستخدم منتجات كتالوج خدمة SageMaker الدور. تتولى موارد المشروع هذا الدور لأداء مهامها.
- دور تنفيذ SageMaker. تستخدم دفاتر ملاحظات الاستوديو هذا الدور للوصول إلى جميع الموارد، بما في ذلك حاويات S3.
- دور تنفيذ لامدا. تتولى وظيفة Lambda هذا الدور.
- وظيفة لامدا سياسة الموارد يسمح لـ EventBridge باستدعاء الوظيفة.
الرجوع إلى أذونات SageMaker Studio المطلوبة لاستخدام المشاريع لمزيد من التفاصيل حول إعداد إذن الاستوديو للمشاريع.
كود بذور المشروع
إذا كان مشروع SageMaker المخصص الخاص بك يستخدم أتمتة سير عمل CI/CD أو يحتوي على أي موارد قائمة على التعليمات البرمجية المصدر، فيمكنك تسليم التعليمات البرمجية الأولية كـ CodeCommit أو مستودع Git لجهة خارجية مثل GitHub وBitbucket. يمتلك مستخدم المشروع الكود ويمكنه تخصيصه لتنفيذ متطلباته.
يقدم هذا الحل الكود الأولي، الذي يحتوي على تعريف مسار SageMaker. يقوم المشروع أيضًا بإنشاء سير عمل CI/CD لإنشاء خط أنابيب SageMaker. يؤدي أي التزام بمستودع التعليمات البرمجية المصدر إلى تشغيل مسار CodePipeline.
دورة حياة المشروع
يمر المشروع عبر مراحل دورة حياة متميزة: تقوم بإنشاء مشروع، واستخدامه وموارده، وحذف المشروع عندما لا تحتاج إليه بعد الآن. يدمج Studio UX مشاريع SageMaker الشاملة بما في ذلك موارد المشروع ونسب البيانات والتحكم في دورة الحياة.
إنشاء مشروع
يمكنك توفير مشروع SageMaker مباشرة في Studio IDE الخاص بك أو عبر واجهة برمجة تطبيقات سيج ميكر.
لإنشاء مشروع SageMaker جديد في الاستوديو، أكمل الخطوات التالية:
- على موارد SageMaker الصفحة ، اختر المشاريع في القائمة المنسدلة.
- اختار إنشاء مشروع.
- اختار قوالب المنظمة.
- اختر قالب المشروع الذي تريد توفيره.
- أدخل اسمًا ووصفًا اختياريًا لمشروعك.
- تحت معلمات قالب المشروع، قم بتوفير المعلمات الخاصة بمشروعك.
يمكنك أيضًا استخدام Python SDK لإنشاء مشروع برمجيًا، كما هو موضح في مقتطف التعليمات البرمجية هذا من 01-feature-store-ingest-pipeline
دفتر:
يتم توفير كل مشروع عبر كتالوج خدمة AWS وعملية AWS CloudFormation. لأن لديك سياسة الوصول المقابلة لـ IAM، على سبيل المثال AWSCloudFormationReadOnlyAccessيمكنك ملاحظة نشر المشروع على وحدة تحكم AWS CloudFormation. كما هو موضح في لقطة الشاشة التالية، يمكنك تصفح معلومات المكدس والأحداث والموارد والمخرجات والمعلمات والقالب.
عرض موارد المشروع
بعد توفير المشروع، يمكنك استعراض موارد المشروع الخاصة بـ SageMaker في Studio IDE.
يمكنك أيضًا رؤية جميع الموارد التي تم إنشاؤها بواسطة عملية نشر المشروع على وحدة تحكم AWS CloudFormation.
يتم تلقائيًا وضع علامة على أي مورد أنشأه المشروع بعلامتين: sagemaker:project-name
و sagemaker:project-id
، مما يسمح بنسب البيانات والموارد.
يمكنك إضافة علاماتك الخاصة إلى موارد المشروع، على سبيل المثال، لتلبية متطلبات تسمية وتسمية الموارد المحددة الخاصة بك.
حذف المشروع
إذا لم تعد بحاجة إلى المشروع المتوفر بعد الآن، فلإيقاف تكبد الرسوم، يجب عليك حذفه لتنظيف الموارد التي أنشأها المشروع.
في وقت كتابة هذا المنشور، يجب عليك استخدام واجهة برمجة تطبيقات سيج ميكر لحذف مشروع. يبدو نموذج كود بايثون كما يلي:
يؤدي حذف المشروع أيضًا إلى بدء حذف مكدس CloudFormation باستخدام قالب المشروع.
يمكن للمشروع إنشاء موارد أخرى، مثل الكائنات الموجودة في حاويات S3 أو نماذج تعلم الآلة أو مجموعات الميزات أو نقاط نهاية الاستدلال أو مكدسات CloudFormation. لا يجوز إزالة هذه الموارد عند حذف المشروع. راجع وثائق المشروع المحددة لمعرفة كيفية إجراء عملية التنظيف الكاملة.
يوفر هذا الحل أ دفتر الاستوديو لحذف جميع الموارد التي أنشأها المشروع.
انشر الحل
لنشر الحل، يجب أن يكون لديك أذونات المسؤول (أو المستخدم المتميز) لحزم قوالب CloudFormation، وتحميل القوالب في حاوية S3 الخاصة بك، وتشغيل أوامر النشر.
لبدء العمل باستخدام دفاتر الملاحظات الخاصة بالحل وتوفير مشروع وتشغيل مسار تحويل البيانات واستيعابها، يجب عليك إكمال خطوات النشر التالية من دليل الحل ملف التمهيدي على جيثب:
- استنساخ الحل جيثب ريبو لبيئة التطوير المحلية الخاصة بك.
- قم بإنشاء مجال استوديو (التعليمات الموجودة في ملف ملف README).
- قم بنشر محفظة مشروع SageMaker (التعليمات الموجودة في ملف ملف README).
- أضف أذونات مخصصة إلى تشغيل كتالوج خدمة AWS وأدوار IAM الخاصة بتنفيذ SageMaker (الإرشادات الموجودة في ملف README).
- ابدأ تشغيل Studio وقم باستنساخ مستودع GitHub في بيئة SageMaker الخاصة بك (الإرشادات في ملف ملف README).
تجول الحل
• تسليم الدفاتر يأخذك من خلال خطوات الحل التالية:
- اقامة:
- قم بإعداد بيئة العمل، وقم بإنشاء حاوية S3 لتحميل البيانات وتنزيلها واستكشاف مجموعة بيانات الاختبار
- بشكل اختياري، قم بإنشاء تدفق Data Wrangler لتحويل البيانات واستيعاب الميزات
- قم بإنشاء مجموعة ميزات في متجر الميزات حيث يتم الاحتفاظ بالميزات
- الاستعلام عن البيانات من مجموعة الميزات
- ميزة خط أنابيب استيعاب المتجر:
- قم بتزويد مشروع SageMaker بمسار بيانات
- استكشاف موارد المشروع
- اختبر مسار البيانات عن طريق تحميل بيانات جديدة إلى حاوية S3 المراقبة
- قم بتشغيل خط أنابيب البيانات عند الطلب عبر Python SDK
- الاستعلام عن البيانات من مجموعة الميزات
- تنظيف:
- حذف المشروع وموارد المشروع
- حذف مجموعة الميزات
- احذف مجموعات S3 وكائنات S3 المتوفرة للمشروع
تنظيف
لتجنب الرسوم، يجب عليك إزالة جميع الموارد التي يوفرها المشروع والتي تم إنشاؤها من حساب AWS الخاص بك.
اتبع التعليمات الموجودة في الحل ملف README.
دعوة إلى العمل
في هذا المنشور، تعلمت كيفية إنشاء مكونات تعلم الآلة لبنيتك المعيارية باستخدام مشاريع SageMaker. تقدم مشاريع SageMaker طريقة ملائمة ومعتمدة على AWS لحزم وتقديم وحدات قابلة لإعادة الاستخدام لتنفيذ مهام سير عمل تعلم الآلة. يمنحك دمج مشاريع SageMaker مع SageMaker Pipelines وأتمتة CI/CD CodePipeline أدوات فعالة لاتباع أفضل ممارسات MLOps وزيادة سرعة وجودة أعمال التطوير الخاصة بك.
قد تستفيد مسارات عمل تعلم الآلة وخطوط الأنابيب الخاصة بك من تغليفها في مكون قابل لإعادة الاستخدام وقابل للتحديد. يمكنك الآن تنفيذ هذا المكون باستخدام الطريقة الموضحة مع مشاريع SageMaker.
مراجع إضافية
لمزيد من الأمثلة العملية لاستخدام مشاريع ومسارات SageMaker لحالات الاستخدام المتنوعة، راجع الموارد التالية:
عن المؤلف
يفغيني إلين هو مهندس حلول في AWS. لديه أكثر من 20 عامًا من الخبرة في العمل على جميع مستويات تطوير البرمجيات وهندسة الحلول واستخدم لغات البرمجة من COBOL و Assembler إلى .NET و Java و Python. يقوم بتطوير وترميز الحلول السحابية الأصلية مع التركيز على البيانات الضخمة والتحليلات وهندسة البيانات.
- '
- 7
- 9
- الوصول
- حسابي
- اكشن
- أنشطة
- الكل
- السماح
- أمازون
- الأمازون SageMaker
- تحليلات
- API
- تطبيق
- التطبيقات
- هندسة معمارية
- الآلي
- أتمتة
- AWS
- أفضل
- أفضل الممارسات
- البيانات الكبيرة
- نساعدك في بناء
- ابني
- دعوة
- الحالات
- تحدى
- اسعارنا محددة من قبل وزارة العمل
- سحابة
- سحابة الأصلية
- الكود
- عنصر
- إنشاء
- البيانات
- الوصول إلى البيانات
- معالجة المعلومات
- عالم البيانات
- الطلب
- تصميم
- التطوير التجاري
- DevOps
- المجالات
- توظيف
- مهندس
- الهندسة
- المهندسين
- البيئة
- الحدث/الفعالية
- أحداث
- الخبره في مجال الغطس
- تجربة
- استخلاص
- مقتطفات
- الميزات
- المميزات
- تدفق
- تركز
- اتباع
- الإطار
- الوفاء
- بالإضافة إلى
- وظيفة
- بوابة
- GitHub جيثب:
- تجمع
- إخفاء
- مرتفع
- كيفية
- كيفية
- HTTPS
- IAM
- هوية
- بما فيه
- القيمة الاسمية
- info
- البنية التحتية
- التكامل
- المشاركة
- IT
- جافا
- القفل
- مفاتيح
- اللغات
- إطلاق
- تطلق
- تعلم
- تعلم
- مستوى
- محلي
- آلة التعلم
- تجارة
- ML
- MLOps
- نموذج
- وحدات
- صاف
- الشبكات
- أجهزة الكمبيوتر المحمولة
- إعلام
- عرض
- أخرى
- نمط
- سياسات الخصوصية والبيع
- سياسة
- محفظة
- قوة
- تنبؤ
- منتج
- الإنتــاج
- المنتجات
- برمجة وتطوير
- لغات البرمجة
- تنفيذ المشاريع
- مشروع ناجح
- بايثون
- جودة
- المتطلبات الأساسية
- مورد
- الموارد
- REST
- النتائج
- يجري
- sagemaker
- العلماء
- الإستراحة
- أمن
- بذرة
- خدمات
- طقم
- الاشارات
- تطبيقات الكمبيوتر
- تطوير البرمجيات
- الحلول
- سرعة
- بداية
- بدأت
- ملخص الحساب
- تخزين
- متجر
- نظام
- تجربه بالعربي
- الاختبار
- المصدر
- الوقت
- قادة الإيمان
- تحول
- المستخدمين
- ux
- قيمنا
- المزيد
- من الذى
- في غضون
- للعمل
- سير العمل
- سير العمل الآلي
- أعمال
- جاري الكتابة
- سنوات